Hazard ratio et analyse de survie
Dans de nombreuses études médicales, la question n’est pas seulement de savoir si un événement survient, mais combien de temps s’écoule avant qu’il survienne.
On peut étudier par exemple le temps avant :
- décès ;
- récidive ;
- hospitalisation ;
- progression d’une maladie ;
- guérison.
Ces situations relèvent de l’analyse de survie, également appelée analyse du temps jusqu’à l’événement.
Le terme « survie » est historique : ces méthodes peuvent être utilisées pour n’importe quel événement dont on étudie le délai de survenue.
Pourquoi le risque cumulé ne suffit pas toujours
Supposons deux groupes de 100 personnes.
Après cinq ans :
- groupe A : 20 décès ;
- groupe B : 20 décès.
Le risque de décès à cinq ans est donc identique :
20 %.
On pourrait conclure que les groupes ont évolué de la même manière.
Mais imaginons que dans A, la plupart des décès surviennent pendant la première année, tandis que dans B ils surviennent surtout vers la cinquième année.
Le nombre final de décès est identique, mais les trajectoires temporelles sont différentes.
Le temps contient donc de l’information
Une intervention peut :
- retarder un événement sans l’empêcher définitivement ;
- avoir un effet très important au début puis s’atténuer ;
- n’avoir aucun effet initial puis devenir bénéfique plus tard.
Regarder seulement le nombre d’événements à une date fixe peut masquer ces différences.
Fonction de survie
On note généralement S(t) la probabilité de rester sans événement au-delà du temps t.
Si l’événement étudié est le décès :
S(5 ans) = 0,80
signifie qu’environ 80 % des personnes sont encore vivantes à cinq ans.
Si l’événement est une rechute :
cela signifie qu’environ 80 % sont encore sans rechute.
La fonction de risque instantané
L’analyse de survie introduit aussi le hazard, parfois traduit par taux de risque instantané.
Il correspond grossièrement au rythme auquel surviennent les événements, parmi les personnes qui n’ont pas encore connu l’événement.
L’idée est :
parmi ceux qui sont encore à risque juste avant cet instant, à quelle vitesse les événements surviennent-ils maintenant ?
Le hazard n’est pas une probabilité
C’est une distinction fondamentale.
Le hazard est un taux instantané, pas la probabilité qu’un événement survienne sur une période donnée.
Il peut même, selon son unité et sa définition, prendre une valeur supérieure à 1.
Une probabilité, elle, reste toujours comprise entre 0 et 1.
Une analogie
Imaginez une file de voitures encore en circulation.
Le hazard représente approximativement :
la vitesse à laquelle les voitures restantes quittent la route à cet instant.
La fonction de survie représente :
la proportion de voitures encore présentes au fil du temps.
Les deux quantités sont liées, mais elles ne sont pas identiques.
Le hazard ratio
Le hazard ratio, ou HR, compare les hazards de deux groupes.
On peut l’écrire :
HR = hazard traitement / hazard contrôle.
Interprétation générale
Si :
HR = 1,
les hazards sont identiques selon le modèle utilisé.
Si :
HR < 1,
l’événement survient à un rythme instantané plus faible dans le groupe traité.
Si :
HR > 1,
il survient à un rythme plus élevé.
Exemple
Un essai rapporte :
HR = 0,70.
Cela signifie approximativement que, à chaque instant et parmi les personnes encore à risque, le hazard du groupe traité est environ 30 % plus faible que celui du groupe contrôle, si l’hypothèse de proportionnalité des hazards est appropriée.
Ce que HR = 0,70 ne signifie pas
Il ne signifie pas automatiquement :
« le risque de mourir est réduit de 30 % ».
Il ne signifie pas non plus :
« 30 % des décès sont évités ».
Et il ne signifie certainement pas :
« les patients vivent 30 % plus longtemps ».
Ce sont des interprétations différentes.
Hazard ratio versus risque relatif
Le risque relatif compare généralement des probabilités cumulées à une date donnée.
Par exemple :
mortalité à cinq ans : 20 % contre 15 %.
Le hazard ratio compare la dynamique des événements au cours du temps.
Les deux mesures peuvent être proches dans certaines situations, mais elles ne sont pas interchangeables.
Exemple
Supposons :
Contrôle
Mortalité à cinq ans :
20 %.
Traitement
Mortalité :
15 %.
Le risque relatif à cinq ans est :
15 / 20 = 0,75.
Le hazard ratio pourrait être :
0,70, 0,75 ou une autre valeur selon la forme des courbes au cours du temps.
Il n’est pas déterminé uniquement par les deux risques finaux.
Pourquoi le HR est utile
Il exploite l’information sur le moment de chaque événement plutôt que de réduire toutes les données à un statut final.
Cela permet souvent une analyse plus informative et plus efficace statistiquement.
Le problème du suivi incomplet
Dans les études longitudinales, tous les participants ne sont pas observés pendant la même durée.
Certains :
- sont recrutés plus tard ;
- quittent l’étude ;
- arrivent à la fin du suivi sans événement.
On ne sait donc pas toujours ce qui leur serait arrivé ensuite.
La censure
Lorsqu’une personne n’a pas connu l’événement avant la fin de son observation, son temps est dit censuré.
Supposons qu’un patient soit suivi pendant trois ans sans décès puis que l’étude se termine.
On sait qu’il a survécu :
au moins trois ans.
On ne sait pas quand il mourra ensuite.
Il serait incorrect de supprimer cette information.
Pourquoi la censure est utile
L’analyse de survie permet d’utiliser :
- le temps observé avant l’événement ;
- le temps observé avant la censure.
Une personne suivie trois ans sans événement apporte donc trois années d’information.
Censure à droite
La forme la plus fréquente est la censure à droite : on sait que l’événement n’a pas eu lieu jusqu’à une certaine date, mais on ignore ce qui se passe ensuite.
C’est typiquement le cas lorsqu’un participant :
- atteint la fin de l’étude ;
- est perdu de vue avant l’événement.
Censure indépendante
Les méthodes classiques supposent généralement que la censure est suffisamment non informative, ou correctement prise en compte conditionnellement.
Autrement dit, les personnes censurées ne devraient pas avoir un risque futur radicalement différent pour des raisons directement liées à leur censure non modélisées.
Exemple problématique
Supposons que les patients les plus malades quittent plus souvent l’étude.
Leur censure est alors liée au pronostic.
Une analyse naïve peut surestimer la survie.
Perdus de vue
La censure n’efface donc pas le problème des perdus de vue.
Elle permet de traiter correctement les suivis incomplets seulement sous certaines hypothèses.
Un grand nombre de pertes sélectives peut toujours biaiser l’étude.
Kaplan-Meier
Une méthode classique pour représenter la survie est la courbe de Kaplan-Meier.
Elle estime la probabilité de rester sans événement au fil du temps, en tenant compte des censures.
Une fiche spécifique lui sera consacrée.
Pourquoi les courbes sont importantes
Deux groupes peuvent avoir un HR résumé par un seul nombre, mais leurs courbes peuvent raconter des histoires très différentes.
Il est donc utile de regarder :
- séparation des courbes ;
- moment où elle commence ;
- éventuel croisement.
Modèle de Cox
Le hazard ratio est souvent estimé à l’aide du modèle de Cox à risques proportionnels.
Sous une forme simplifiée :
h(t|X) = h₀(t) × exp(βX).
Le modèle compare les hazards sans imposer une forme paramétrique précise à la fonction de base h₀(t).
Le coefficient devient un HR
Si X représente le traitement :
HR = exp(β).
Par exemple :
β = ln(0,70)
donne :
HR = 0,70.
Hypothèse de risques proportionnels
Le modèle de Cox standard suppose généralement que le rapport des hazards reste approximativement constant au cours du temps.
Autrement dit :
si :
HR = 0,70,
on suppose que le rapport est proche de 0,70 à différents moments du suivi.
Cela ne signifie pas que les hazards eux-mêmes restent constants
Les deux hazards peuvent :
- augmenter ;
- diminuer ;
- varier fortement.
Ce qui doit rester approximativement constant est leur rapport.
Exemple
À un an :
hazard traitement = 0,014.
hazard contrôle = 0,020.
Rapport :
0,70.
À quatre ans :
hazard traitement = 0,035.
hazard contrôle = 0,050.
Rapport :
toujours 0,70.
Les hazards ont changé, mais leur rapport reste proportionnel.
Que se passe-t-il si les hazards ne sont pas proportionnels ?
Supposons que le traitement soit :
- bénéfique pendant les deux premières années ;
- neutre ensuite.
Ou :
- initialement nocif ;
- bénéfique plus tard.
Un HR unique peut alors être difficile à interpréter.
Croisement des courbes
Cas extrême :
le groupe traité a davantage d’événements au début, puis moins ensuite.
Les courbes de survie peuvent se croiser.
Un HR moyen proche de 1 pourrait alors masquer deux effets opposés dans le temps.
Exemple conceptuel
Années 0–1 :
HR ≈ 1,8.
Années 2–5 :
HR ≈ 0,5.
Un seul HR global pourrait être proche de :
1.
Dire :
« aucun effet »
serait pourtant une simplification excessive.
Vérifier l’hypothèse de proportionnalité
Les chercheurs peuvent examiner :
- courbes ;
- résidus de Schoenfeld ;
- interactions avec le temps.
Si l’hypothèse est violée, d’autres méthodes peuvent être préférables.
HR dépendant du temps
On peut modéliser un effet qui varie :
HR(t).
Cela permet de montrer que le traitement n’a pas la même influence à tous les moments.
Une alternative : différence de survie à une date fixe
On peut simplement comparer :
survie à cinq ans.
Exemple :
- contrôle : 70 % ;
- traitement : 80 %.
Différence absolue :
10 points.
C’est souvent beaucoup plus intuitif qu’un HR.
Une autre alternative : temps de survie moyen restreint
Le restricted mean survival time, ou RMST, représente le temps moyen passé sans événement jusqu’à une limite prédéfinie.
Supposons un horizon de cinq ans.
On peut comparer :
temps moyen sans événement pendant ces cinq années.
Exemple
Contrôle :
4,0 années sans événement en moyenne.
Traitement :
4,4 années.
Différence :
0,4 année, soit environ 4,8 mois.
Cette mesure peut être très intuitive.
Avantage du RMST
Il ne repose pas sur l’hypothèse de hazards proportionnels de la même manière que le HR de Cox.
Il peut être particulièrement utile lorsque les courbes :
- se croisent ;
- divergent de manière non proportionnelle.
Médiane de survie
Une autre mesure fréquente est la survie médiane.
Elle correspond au temps où 50 % de la population a déjà connu l’événement et 50 % ne l’a pas encore connu.
Exemple
Survie médiane :
- contrôle : 18 mois ;
- traitement : 24 mois.
La différence est :
6 mois.
Cette présentation est intuitive.
Mais la médiane perd beaucoup d’information
Elle utilise seulement le point où la courbe atteint 50 %.
Deux distributions très différentes peuvent avoir la même médiane.
Et si plus de 50 % des participants sont encore sans événement à la fin du suivi, la médiane n’est même pas atteinte.
« Médiane non atteinte »
Dans certaines études, on lit :
« survie médiane non atteinte ».
Cela signifie simplement que moins de la moitié des participants ont connu l’événement à la date de l’analyse.
Ce n’est pas une survie infinie.
HR et prolongation de la survie
Supposons :
HR de mortalité = 0,75.
On ne peut pas en déduire directement :
« la survie est prolongée de 25 % ».
Le rapport entre HR et temps de survie dépend de la distribution des événements.
Exemple
Un HR de 0,75 peut correspondre à :
- quelques semaines supplémentaires ;
- plusieurs mois ;
- plusieurs années,
selon le contexte.
Il faut regarder les courbes et les temps absolus.
Le HR est une mesure relative
Comme le RR, il ne donne pas directement l’ampleur absolue du bénéfice.
Supposons deux maladies.
Maladie A
Risque de décès très élevé.
HR = 0,70.
Maladie B
Décès extrêmement rare.
HR = 0,70.
Même effet relatif sur le hazard.
Impact absolu très différent.
Exemple
À cinq ans :
Population A
50 % de décès → 40 %.
Population B
1 % → 0,8 %.
Même si les HR étaient proches, l’impact clinique serait très différent.
Toujours chercher les risques absolus
Face à :
HR = 0,70,
demander :
combien de personnes sont encore vivantes ou sans événement à un, trois ou cinq ans dans chaque groupe ?
Cela rend l’effet beaucoup plus concret.
HR et nombre nécessaire à traiter
On ne peut pas calculer directement :
NNT = 1 / (1 − HR).
Ce serait incorrect.
Le NNT exige une différence absolue de risque à une date donnée.
Exemple
HR :
0,70.
Si à cinq ans :
- contrôle : 20 % d’événements ;
- traitement : 15 %,
RAR = 5 points.
NNT à cinq ans :
20.
Mais avec le même HR dans une population où :
- contrôle : 2 % ;
- traitement : 1,5 %,
NNT :
200.
Le HR seul ne suffit pas.
HR et décès concurrents
Dans certaines analyses, plusieurs événements peuvent empêcher l’événement étudié.
Exemple :
on étudie la mortalité par cancer.
Une personne qui meurt d’une maladie cardiovasculaire ne pourra plus mourir ensuite du cancer.
C’est un risque compétitif.
Pourquoi cela complique l’analyse
Traiter les autres causes de décès comme une simple censure peut donner une interprétation inadaptée pour certaines questions.
Il existe des méthodes spécifiques aux risques compétitifs.
Hazard cause-spécifique
On peut modéliser le hazard d’une cause donnée chez ceux qui sont encore libres de tout événement concurrent.
Cela répond à une question étiologique importante.
Subdistribution hazard
Le modèle de Fine-Gray est parfois utilisé pour analyser l’incidence cumulée en présence de risques compétitifs.
Il produit un subdistribution hazard ratio.
Ce chiffre n’a pas exactement la même interprétation qu’un HR de Cox classique.
Attention aux acronymes
Un article peut donc rapporter :
- cause-specific HR ;
- subdistribution HR.
Ils ne répondent pas exactement à la même question.
Lire uniquement « HR = 0,70 » sans examiner la méthode peut être insuffisant.
HR ajusté
Comme l’odds ratio, le hazard ratio peut être :
- brut ;
- ajusté.
Un modèle de Cox peut contrôler statistiquement :
- âge ;
- sexe ;
- comorbidités.
Exemple
HR brut :
0,65.
HR ajusté :
0,80.
Une partie de l’association initiale était liée aux différences de caractéristiques.
Mais, comme toujours, l’ajustement ne garantit pas la causalité.
Dans un essai randomisé
Le HR possède une interprétation causale plus solide si :
- randomisation correcte ;
- suivi adéquat ;
- analyse appropriée.
Dans une étude observationnelle, confusion et sélection restent possibles.
Covariables dépendantes du temps
Certaines caractéristiques changent au cours du suivi :
- traitement ;
- exposition ;
- biomarqueur.
On peut utiliser des modèles avec covariables dépendantes du temps.
Mais leur interprétation causale peut devenir difficile lorsque ces variables sont elles-mêmes influencées par des expositions antérieures.
Confusion dépendante du temps
Supposons qu’un traitement modifie un biomarqueur qui influence ensuite :
- changement du traitement ;
- pronostic.
Une régression de Cox standard avec ajustement naïf peut être biaisée.
Des g-methods peuvent être nécessaires.
Définir correctement le temps zéro
En analyse de survie, il faut définir clairement quand commence le suivi.
Par exemple :
- date de randomisation ;
- début du traitement ;
- diagnostic.
Des temps zéro différents peuvent créer des biais majeurs.
Immortal time bias
Un biais célèbre apparaît lorsqu’une personne doit nécessairement survivre pendant une certaine période avant d’être classée comme exposée.
Cette période pendant laquelle elle ne pouvait pas encore être classée correctement peut produire un biais de temps immortel.
Exemple
On compare les personnes ayant reçu un traitement après transplantation avec celles ne l’ayant jamais reçu.
Pour appartenir au groupe « traité », il faut survivre suffisamment longtemps pour recevoir le traitement.
Si toute la période avant traitement est attribuée au groupe traité, ce groupe bénéficie artificiellement d’une période pendant laquelle le décès ne pouvait pas encore avoir précédé l’exposition.
Résultat
Le traitement peut sembler protecteur simplement parce que les futurs traités ont dû survivre jusqu’au traitement.
C’est un problème de définition temporelle, pas une propriété du médicament.
Target trial
Une méthode utile pour éviter ce type d’erreur consiste à imaginer l’essai randomisé idéal que l’on voudrait émuler :
- éligibilité ;
- temps zéro ;
- stratégies ;
- suivi.
Cela aide à aligner correctement exposition et début du risque.
HR et intention de traiter
Dans les essais randomisés, l’analyse du temps jusqu’à l’événement est souvent réalisée selon l’intention de traiter.
Les participants restent analysés selon leur groupe initial même s’ils :
- arrêtent ;
- changent de traitement.
Le HR représente alors l’effet de la stratégie d’assignation.
Traitements croisés
Si beaucoup de participants passent d’un traitement à l’autre, les courbes peuvent se rapprocher.
L’effet biologique réel du traitement peut alors être dilué.
Mais corriger après coup l’adhérence sans introduire de biais est méthodologiquement difficile.
HR et événements récurrents
Le modèle de survie classique se concentre souvent sur le premier événement.
Supposons des hospitalisations répétées.
Une personne hospitalisée une première fois cesse alors parfois de contribuer à l’analyse du premier événement, même si elle est hospitalisée cinq fois ensuite.
Perte d’information
Pour certaines maladies chroniques, le nombre total d’événements est plus pertinent.
Des modèles d’événements récurrents peuvent être utilisés.
La bonne méthode dépend donc de la question clinique.
Progression-free survival
En cancérologie, un critère fréquent est la survie sans progression.
Il mesure le temps jusqu’à :
- progression ;
- décès,
selon la définition choisie.
Un traitement peut améliorer fortement ce critère sans améliorer nécessairement la survie globale.
Survie globale
La survie globale mesure le temps jusqu’au décès toutes causes.
Elle est généralement plus difficile à biaiser par la classification de la cause du décès, mais peut être influencée par :
- traitements ultérieurs ;
- croisements.
Un meilleur HR sur progression ne signifie pas automatiquement moins de décès
Il faut distinguer :
retarder une progression
et
prolonger la vie.
Les deux peuvent être importants, mais ce ne sont pas les mêmes résultats.
Qualité de vie
Retarder une progression peut être utile même sans prolongation de survie si cela réduit :
- symptômes ;
- traitements lourds.
Inversement, un gain de progression accompagné d’une forte toxicité peut être moins intéressant.
Le choix du critère reste essentiel
Un HR de :
0,50
peut paraître spectaculaire.
Mais il faut demander :
HR de quoi ?
- décès ;
- progression radiologique ;
- première hospitalisation.
La signification clinique dépend de l’événement.
HR et significativité statistique
Supposons :
HR = 0,75 ; IC 95 % : 0,60–0,93.
L’estimation suggère un hazard plus faible avec une incertitude relativement modérée.
Exemple non concluant
HR = 0,75 ; IC 95 % : 0,45–1,25.
La même estimation centrale existe.
Mais les données restent compatibles avec :
- fort bénéfice ;
- absence d’effet ;
- dommage.
La valeur nulle est 1
Comme pour RR et OR :
HR = 1
correspond à l’absence de différence sur l’échelle du hazard.
Mais il faut éviter de résumer toute l’incertitude à la question :
« l’IC traverse-t-il 1 ? »
Deux études presque identiques
Étude A :
HR = 0,80 ; IC 0,64–0,99.
Étude B :
HR = 0,80 ; IC 0,64–1,01.
Les résultats sont presque identiques.
Dire que l’une « marche » et l’autre « ne marche pas » serait artificiel.
Nombre d’événements et précision
Dans une analyse de survie, la précision dépend fortement du nombre d’événements observés.
Une étude peut inclure énormément de personnes mais rester peu informative si très peu d’événements surviennent.
Exemple
100 000 participants.
Seulement 30 décès.
Le HR peut rester très imprécis malgré l’énorme effectif total.
Le nombre d’événements est essentiel.
Analyses intermédiaires
Dans certains essais, les résultats sont examinés avant la fin prévue.
Si un bénéfice ou un dommage très important apparaît, l’étude peut être arrêtée.
Mais des règles statistiques doivent contrôler le risque de faux positif lié aux analyses répétées.
Maturité des données
En oncologie, on parle parfois de données :
« immatures ».
Cela signifie qu’une proportion insuffisante des événements attendus est encore survenue.
Un HR précoce peut évoluer avec un suivi plus long.
Une estimation n’est pas figée
Un traitement peut sembler très bénéfique dans une première analyse puis voir son estimation se rapprocher de 1 lorsque davantage d’événements s’accumulent.
L’inverse est également possible.
HR et méta-analyse
Les HR peuvent être combinés entre essais lorsqu’ils portent sur des critères comparables.
On travaille souvent sur :
log(HR)
puis on combine les estimations.
Mais les définitions doivent être comparables
Un « progression-free survival » peut être défini différemment entre études.
Mélanger des critères proches mais non identiques peut compliquer l’interprétation.
Le HR moyen peut masquer l’hétérogénéité
Si certains essais montrent :
HR ≈ 0,5
et d’autres :
HR ≈ 1,2,
une moyenne peut être peu représentative.
Il faut examiner :
- populations ;
- traitements ;
- durée.
HR et communication médiatique
Un communiqué peut écrire :
« le traitement réduit le risque de décès de 30 % ».
Si l’étude rapporte :
HR = 0,70,
cette formulation est courante.
Elle est cependant plus rigoureuse sous la forme :
« le hazard de décès était environ 30 % plus faible pendant le suivi ».
Pour le grand public, il faudrait idéalement ajouter les probabilités de survie absolues.
Exemple de communication complète
HR = 0,70.
Survie à trois ans :
- contrôle : 70 % ;
- traitement : 78 %.
On peut alors dire :
« le hazard de décès était réduit d’environ 30 %, et environ 78 % des patients étaient vivants à trois ans contre 70 % dans le groupe contrôle. »
La seconde information rend l’effet beaucoup plus concret.
Un HR impressionnant peut correspondre à un petit bénéfice absolu
Exemple :
HR = 0,50.
À cinq ans :
- contrôle : 2 % de décès ;
- traitement : 1 %.
La réduction relative dynamique est importante.
La différence absolue est seulement :
1 point.
Un HR modeste peut correspondre à beaucoup d’événements évités
HR :
0,85.
Si le risque initial est extrêmement élevé, une réduction relativement modeste peut produire un bénéfice absolu important.
Encore une fois, une mesure relative ne suffit pas.
Une leçon d’esprit critique
Face à :
« HR = 0,70 »,
demandez :
Quel événement ?
Les hazards étaient-ils proportionnels ?
Quelles sont les probabilités absolues à un moment cliniquement pertinent ?
Les courbes se croisent-elles ?
Combien d’événements ont été observés ?
Demandez aussi
Quel était le temps zéro ?
Comment la censure a-t-elle été gérée ?
Y avait-il beaucoup de perdus de vue ?
Ces détails peuvent modifier fortement l’interprétation.
Face à « 30 % de réduction du risque »
Vérifiez si le chiffre vient réellement :
- d’un RR ;
- d’un HR ;
- d’un OR.
La même phrase journalistique peut cacher trois mesures statistiques différentes.
Un exemple final
Supposons un essai randomisé de 4 000 patients.
Suivi médian :
5 ans.
Résultat :
HR de mortalité = 0,72 ; IC 95 % : 0,60–0,86.
À cinq ans :
- survie contrôle : 80 % ;
- survie traitement : 85 %.
On peut donc décrire :
HR = 0,72
et
différence absolue de survie à cinq ans = 5 points.
Si l’on raisonne sur la mortalité :
- contrôle : 20 % ;
- traitement : 15 %.
RAR :
5 points.
NNT à cinq ans :
20.
Toutes ces mesures apportent des informations complémentaires.
Quelle est la meilleure ?
Le HR résume efficacement l’évolution temporelle lorsque ses hypothèses sont raisonnables.
La différence absolue à une date donnée est plus intuitive.
Le RMST peut exprimer directement un gain de temps moyen sans événement.
Aucune mesure ne devrait nécessairement remplacer toutes les autres.
À retenir
L’analyse de survie étudie le temps jusqu’à la survenue d’un événement en tenant compte des durées de suivi différentes et des observations censurées.
Le hazard représente le rythme instantané de survenue d’un événement parmi les personnes encore à risque.
Le hazard ratio compare ces hazards entre deux groupes :
HR = hazard traitement / hazard contrôle.
Un :
HR = 0,70
indique généralement un hazard environ 30 % plus faible dans le groupe traité sous les hypothèses du modèle.
Mais cela ne signifie pas automatiquement :
30 % de risque cumulé en moins
ni
30 % de survie supplémentaire.
L’interprétation dépend :
- du temps ;
- du risque de base ;
- de la forme des courbes ;
- de l’hypothèse de hazards proportionnels.
Le HR devrait donc idéalement être accompagné de mesures plus concrètes comme :
- survie à une date donnée ;
- différence absolue ;
- médiane de survie ;
- RMST.
L’analyse doit également examiner :
- censure ;
- perdus de vue ;
- temps zéro ;
- risques compétitifs.
Le principe fondamental est :
un hazard ratio compare la dynamique des événements au cours du temps ; il ne mesure pas directement la proportion de personnes qui connaîtront finalement l’événement.
La bonne question face à :
« HR = 0,70 »
n’est donc pas seulement :
« est-ce statistiquement significatif ? »
mais :
« à quoi cette différence de hazard correspond-elle réellement en probabilité de survie, en événements évités et en temps gagné pour les patients ? »
Pour aller plus loin
David Cox — « Regression Models and Life-Tables ». L’article fondateur du modèle de Cox, devenu l’une des principales méthodes d’analyse du temps jusqu’à l’événement.
Kaplan et Meier — « Nonparametric Estimation from Incomplete Observations ». Le texte fondateur de l’estimateur de Kaplan-Meier.
Kleinbaum et Klein — Survival Analysis: A Self-Learning Text. Une introduction pédagogique aux courbes de survie, au modèle de Cox, à la censure et aux hazards.
Royston et Parmar — travaux sur le restricted mean survival time. Une référence utile pour comprendre les alternatives au hazard ratio lorsque les hazards ne sont pas proportionnels.